转发:机器学习面试题-------待补充

本文深入探讨了深度学习领域的核心概念和技术,包括DBN模型的特点、CNN的应用场景、损失函数的选择原则、激活函数的理解、现代神经网络相较于早期版本的显著改进、神经网络优化算法的种类、概率论中不同分布之间的转换方法、白噪声的概念及其在图像处理中的表现形式,并讨论了过拟合与欠拟合的问题,同时介绍了常用的深度学习平台以及L1范数和L2范数的区别。

2、讲讲DBN模型。
3、你的模型如果用CNN模型如何?
4、损失函数如何去选择?
5、出了sigmoid函数还了解哪些?
6、现在的深度网络相比于以前(大概30年前)的神经网络有了哪些改进?
7、神经网络有哪些优化算法?
8、概率论:均匀分布如何转变为高斯分布?
9、如何理解白噪声?图像的白噪声是如何形成的?
10、过拟合与欠拟合的问题。
11、用过哪些深度学习平台?
12、讲讲L1范数和L2范数的区别?

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值